【技术实现步骤摘要】
本专利技术属于电力系统，尤其涉及一种基于神经网络模型的窃电检测方法及装置。
技术介绍
1、窃电的行为对社会的危害性极大，会影响到整个社会的稳定供应，情节较为严重的窃电行为在窃电过程中还可能会损坏电力设备，电力设备的损坏会影响社会的电力安全以及人民的生命安全。
2、现有的窃电检测方法大都是通过对电网的运行状态进行分析，当检测到窃电行为时再通过人工进行实地核查，确认实施窃电行为的用户。专利技术人在实践过程中发现，这种方法无法准确的考虑到多种因素的影响，大都依靠人工经验断定是否出现了窃电行为，准确性较低。且现有的窃电检测方法的检测范围较大，在发生窃电行为时，不容易定位到具体的窃电位置。
技术实现思路
1、本专利技术实施例提供了一种基于神经网络模型的窃电检测方法及装置，以解决现有的窃电检测方法中窃电检测的范围较大，不容易定位到具体的窃电位置的问题。
2、本专利技术是通过如下技术方案实现的：
3、第一方面，本专利技术实施例提供了一种基于神经网络模型的窃电检测方法，包括：
4、对待检测地区进行划分，得到多个检测区域；
5、获取每个检测区域的历史用电数据，并基于所述历史用电数据对神经网络模型进行训练，得到每个检测区域的用电预测模型；
6、针对每个检测区域，获取该检测区域中每个用电户的类型和该检测区域内不同类型用电户的比例，基于所述比例确定该检测区域的最大允许用电波动值；
7、针对每个检测区域，基于用电预测模型对该
8、基于所有实际波动值确定异常区域，确定每个异常区域的相似区域，并基于所述相似区域的实际用电数据对相应的异常区域进行筛选，确定窃电区域。
9、在一种可能的实现方式中，对待检测地区进行划分，得到多个检测区域，包括：
10、获取所述待检测地区内的台区数量以及台区覆盖范围，并基于所述台区数量以及台区覆盖范围对所述待检测地区进行划分，得到多个检测区域；
11、其中，每个检测区域中包含一个或多个台区。
12、在一种可能的实现方式中，所述获取每个检测区域的历史用电数据，并基于所述历史用电数据对神经网络模型进行训练，得到每个检测区域的用电预测模型，包括：
13、构建神经网络模型，获取每个检测区域的历史用电数据，基于所述历史用电数据得到训练集以及验证集，并基于所述训练集对所述神经网络模型进行训练得到初始用电预测模型；
14、基于所述验证集使用时间序列交叉验证方法对所述初始用电预测模型进行验证，基于验证结果确定相应检测区域的用电预测模型。
15、在一种可能的实现方式中，所述针对每个检测区域，获取该检测区域中每个用电户的类型和该检测区域内不同类型用电户的比例，基于所述比例确定该检测区域的最大允许用电波动值，包括：
16、针对每个检测区域，执行以下步骤：
17、获取该检测区域内每个用电户的类型；
18、获取每个类型的用电户所占的比例，以及所述每个类型的用电户在预设历史时段内的历史用电数据；
19、基于所述历史用电数据，确定每个类型的用电户的用电波动值以及用电总量；
20、将该检测区域内每个类型的用电户的用电波动值以及用电总量代入该检测区域的用电波动预测式中，计算得到该检测区域的最大允许用电波动值；
21、所述用电波动预测式为：
22、
23、其中，ki表示第i个检测区域的最大允许用电波动值，αw表示第i个检测区域的温度权重，αm表示第i个检测区域的经济权重，δwi表示第i个检测区域的温度波动系数，δmi表示第i个检测区域的经济波动系数，ei表示第i个检测区域历史用电数据中的总用电量，pj表示第i个检测区域中第j个类型的用电户比例，βj表示第i个检测区域中第j个类型的第一影响因素的影响因子，γj表示第i个检测区域中第j个类型的第二影响因素的影响因子，表示第i个检测区域中第j个类型的第一影响值，δe(2)j表示第i个检测区域中第j个类型的第二影响值。
24、在一种可能的实现方式中，所述针对每个检测区域，基于用电预测模型对该检测区域进行用电预测，将该检测区域的预测用电数据与实际用电数据进行比较得到实际波动值，包括：
25、针对每个检测区域，执行以下步骤：
26、基于该检测区域的历史用电数据以及用电预测模型对该检测区域进行用电预测，得到预设时段内的预测用电数据；
27、获取预设时段内的实际用电数据，将所述预测用电数据与所述实际用电数据进行比较，基于比较结果得到实际波动值；
28、其中，所述历史用电数据以及所述预测用电数据都包括该检测区域在不同时间子段的用电量以及该检测区域的线损数据。
29、在一种可能的实现方式中，所述将所述预设用电数据以及所述实际用电数据进行比较，基于比较结果得到实际波动值，包括：
30、针对每个检测区域，将所述预设用电数据以及所述实际用电数据中在不同时间子段的用电量以及该检测区域的线损数据输入至实际波动值计算公式中，得到实际波动值；
31、实际波动值计算公式为：
32、
33、其中，ki′为第i个检测区域的实际波动值，t表示第t个时间子段，s(1)it表示第i个检测区域在第t个时间段的实际用电量，s(2)it表示第i个检测区域在第t个时间段的预测用电量，δ1表示第i个检测区域在第t个时间段的线损修正系数，x(1)it表示第i个检测区域在第t个时间段的实际线损，x(2)it表示第i个检测区域在第t个时间段的预设线损。
34、在一种可能的实现方式中，所述基于所有实际波动值确定异常区域，包括：
35、将每个检测区域的实际波动值与相应的最大允许用电波动值进行比较，若所述实际波动值超出最大允许用电波动值，则将该检测区域确定为异常区域；
36、否则，将该检测区域确定为正常区域。
37、在一种可能的实现方式中，所述获取每个异常区域的相似区域，并基于所述相似区域的实际用电数据对相应的异常区域进行筛选，确定窃电区域，包括：
38、获取每个检测区域的特征数据，基于所述特征数据计算每个异常区域与其余检测区域的相似性，基于所述相似性确定每个异常区域的相似区域；
39、针对每个异常区域，执行以下步骤：
40、获取该异常区域的相似区域的实际用电数据，并将该异常区域的实际用电数据与相应的相似区域的实际用电数据进行比较；
41、计算该异常区域的实际用电数据与相应的相似区域的实际用电数据中每一个数据的差值，并将每一个差值与相应的阈值进行比较，基于比较结果确定该异常区域是否为窃电区域。
42、在一种可能的实现方式中，所述方法还包括：
43、基于窃电检测模型对每个窃电区域中的每个用电户进行本文档来自技高网...
【技术保护点】
1.一种基于神经网络模型的窃电检测方法，其特征在于，包括：
2.如权利要求1所述的一种基于神经网络模型的窃电检测方法，其特征在于，对待检测地区进行划分，得到多个检测区域，包括：
3.如权利要求1所述的一种基于神经网络模型的窃电检测方法，其特征在于，所述获取每个检测区域的历史用电数据，并基于所述历史用电数据对神经网络模型进行训练，得到每个检测区域的用电预测模型，包括：
4.如权利要求1所述的一种基于神经网络模型的窃电检测方法，其特征在于，所述针对每个检测区域，获取该检测区域中每个用电户的类型和该检测区域内不同类型用电户的比例，基于所述比例确定该检测区域的最大允许用电波动值，包括：
5.如权利要求1所述的一种基于神经网络模型的窃电检测方法，其特征在于，所述针对每个检测区域，基于用电预测模型对该检测区域进行用电预测，将该检测区域的预测用电数据与实际用电数据进行比较得到实际波动值，包括：
6.如权利要求5所述的一种基于神经网络模型的窃电检测方法，其特征在于，所述将所述预设用电数据以及所述实际用电数据进行比较，基于比较结果得到实际
7.如权利要求1所述的一种基于神经网络模型的窃电检测方法，其特征在于，所述基于所有实际波动值确定异常区域，包括：
8.如权利要求1所述的一种基于神经网络模型的窃电检测方法，其特征在于，所述获取每个异常区域的相似区域，并基于所述相似区域的实际用电数据对相应的异常区域进行筛选，确定窃电区域，包括：
9.如权利要求1所述的一种基于神经网络模型的窃电检测方法，其特征在于，所述方法还包括：
10.一种基于神经网络模型的窃电检测装置，其特征在于，包括：
...【技术特征摘要】
1.一种基于神经网络模型的窃电检测方法，其特征在于，包括：
2.如权利要求1所述的一种基于神经网络模型的窃电检测方法，其特征在于，对待检测地区进行划分，得到多个检测区域，包括：
3.如权利要求1所述的一种基于神经网络模型的窃电检测方法，其特征在于，所述获取每个检测区域的历史用电数据，并基于所述历史用电数据对神经网络模型进行训练，得到每个检测区域的用电预测模型，包括：
4.如权利要求1所述的一种基于神经网络模型的窃电检测方法，其特征在于，所述针对每个检测区域，获取该检测区域中每个用电户的类型和该检测区域内不同类型用电户的比例，基于所述比例确定该检测区域的最大允许用电波动值，包括：
5.如权利要求1所述的一种基于神经网络模型的窃电检测方法，其特征在于，所述针对每个检测区域，基于用电预测模型对该检测区...
【专利技术属性】
技术研发人员：刘凯，纪书军，王勇，李佳栋，吴昀烔，
申请(专利权)人：国网河北省电力有限公司营销服务中心，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。